[發明專利]文件識別方法和特征提取方法

有效

• 申請號: 201810349458.6
• 申請日: 2018-04-18
• 公開（公告）號: CN109753987B
• 公開（公告）日: 2021-08-06
• 發明（設計）人: 顧成杰
• 申請（專利權）人: 新華三信息安全技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F21/56
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 馬敬;項京

1.一種文件識別方法，其特征在于，所述方法包括：

獲取待識別文件；

根據預設讀取規則和預設詞組模型，確定所述待識別文件對應的多個字符串；

確定每一字符串在所述多個字符串中的出現次數；

針對每一字符串，將該字符串的出現次數作為轉移矩陣中該字符串對應的元素的值，得到所述轉移矩陣；

或者，針對每一字符串，計算該字符串的出現次數與預設初始值的和值，將計算得到的和值作為轉移矩陣中該字符串對應的元素的值，得到所述轉移矩陣；

其中，所述轉移矩陣中的元素與字符串種類一一對應；

根據所述轉移矩陣中的元素，確定所述待識別文件對應的目標圖像數據；

提取所述目標圖像數據的特征，并根據所述目標圖像數據的特征，確定所述待識別文件是否為惡意文件。

2.根據權利要求1所述的方法，其特征在于，所述根據預設讀取規則和預設詞組模型，確定所述待識別文件對應的多個字符串，包括：

按照預設讀取規則讀取所述待識別文件，得到多個字符；

按照預設詞組模型，組合所述多個字符中相鄰的字符，得到多個字符串。

3.根據權利要求1所述的方法，其特征在于，所述根據所述轉移矩陣中的元素，確定所述待識別文件對應的目標圖像數據，包括：

根據所述轉移矩陣中各元素的值，計算所述轉移矩陣中各元素對應的圖像單元格的顏色深度，得到所述待識別文件對應的目標圖像數據。

4.根據權利要求3所述的方法，其特征在于，所述根據所述轉移矩陣中各元素的值，計算所述轉移矩陣中各元素對應的圖像單元格的顏色深度，包括：

針對所述轉移矩陣中的第一元素，確定所述第一元素的值為第一數值；其中，所述第一元素為所述轉移矩陣中的任一元素，所述第一元素的值根據第一字符串的出現次數確定；

確定所有第二元素的值之和為第二數值；其中，所述第二元素的值根據第二字符串的出現次數確定，所述第二字符串的頭部詞與所述第一字符串的頭部詞相同；

計算所述第一數值與所述第二數值的比值；

根據計算得到的比值，確定所述第一元素對應的圖像單元格的顏色深度。

5.根據權利要求4所述的方法，其特征在于，所述根據計算得到的比值，確定所述第一元素對應的圖像單元格的顏色深度，包括：

針對所述第一元素，根據以下公式確定所述第一元素的轉移概率：

h＝Log T；

其中，h為所述第一元素的轉移概率，T為計算得到的比值；

將計算得到的所述第一元素的轉移概率，確定為所述第一元素對應的圖像單元格的顏色深度。

6.根據權利要求1所述的方法，其特征在于，所述提取所述目標圖像數據的特征，包括：

將所述目標圖像數據輸入預先訓練的卷積神經網絡CNN模型，得到所述目標圖像數據的特征；

其中，所述CNN模型以經典CNN Lenet-5模型為基礎，第一個卷積層為32個卷積核，第二個卷積層為64個卷積核，第二個池化層后面增加0.25的丟棄DropOut層，第一個全連接層后面增加0.5的DropOut層。

7.根據權利要求6所述的方法，其特征在于，所述根據所述目標圖像數據的特征，確定所述待識別文件是否為惡意文件，包括：

將所述目標圖像數據的特征輸入預先訓練的深度神經網絡DNN模型，得到輸出結果；其中，所述DNN模型用于對圖像數據的特征進行識別，確定圖像數據對應的文件是否為惡意文件，所述輸出結果包括指示所述待識別文件是否為惡意文件的信息。

8.根據權利要求6所述的方法，其特征在于，所述目標圖像數據的特征為所述CNN模型的預設層的輸出結果；

所述根據所述目標圖像數據的特征，確定所述待識別文件是否為惡意文件，包括：

從預設惡意文件特征庫中查找所述目標圖像數據的特征；所述預設惡意文件特征庫包括：多個樣本惡意文件對應的圖像數據的特征；

若查找到，則確定所述待識別文件為惡意文件；

若未查找到，則確定所述待識別文件為安全文件。